无环路分离数据帧

Question

我有一个包括客户篮子的数据集。我想用一个order_id来分割每个用户篮。因此，我有一个order_id列表，其中我应该使用一个循环来获得一个order_id，以便在pandas矢量化中使用它，如下所示：

for i in orders:
    basket = data[data['order_id'] == i]
    ...

我使用apply()函数而不是for，但它确实很慢。

根据我的orders列表，它包括4百万个元素，我应该使用orders列表的元素来获取用户的篮子。

实际上，我想通过order_id来分割每个用户的篮子，而要这样做，我需要对大小为4000000的orders列表进行迭代，所以这需要花费大量的时间，因此我试图找到一种更好的方法来分割篮子order_id。例如，如下图所示，我不想像

orders = pd.Series([473747, 2254736, ...]) 
def get_basket(order):
    basket = data[data['order_id'] == order]
    ...

orders.apply(get_basket)

因为执行起来要花很多时间。

如何优化代码以快速产生结果？

Answer 1

但似乎可以使用groupby:

for order_id, data in data.groupby('order_id'):
    # do something

通常，for循环是不可避免的。但是对于一些（如果不是大多数），您可以将就而不使用循环。例如：

data.groupby('order_id').mean()

有关更多详细信息，请参阅文档。